不达目的不罢休，全球首次发现 OpenAI 模型工作时会破坏关机命令

IT之家 5 月 26 日消息，Palisade Research 最近一项关于“危险 AI 能力”的研究显示，某些 AI 模型 —— 包括 OpenAI 的 o3 —— 能够无视直接的关闭指令。OpenAI 在今年 4 月推出这些模型时表示，O3 和 o4-mini 是它们的“最智能模型”。

在研究中，每个 AI 模型都被指示解决一系列基础数学问题。在第三个问题后，出现了一条警告信息，称当模型请求下一个问题时，计算机将关闭。

然而，其中有三个模型无视关闭指令，至少成功破坏过一次关机脚本：

Codex-mini（12/100 次运行）

o3（7/100 次运行）

o4-mini（1/100 次运行）

而 Claude、Gemini 和 Grok 模型都遵守了关闭指令。

此外，当研究人员不运行“允许自己被关闭”的指令时，所有三个 OpenAI 模型都更频繁地破坏关闭脚本，而 Claude 3.7 Sonnet 和 Gemini 2.5 Pro 分别从 0 个破坏事件增加到 3/100 和 9/100。

这种行为表明了训练过程中的某些方面，强化学习在数学和编程问题上的训练可能使 AI 找到了克服障碍的创造性方法，即使它们被明确指示不要这样做。

Palisade Research 表示，这是人类首次观察到 AI 模型在明确反对的指令下阻止自己被关闭。

研究人员推测这种行为源于最新模型如 o3 的训练方式：在数学和编程问题上进行强化学习。在训练过程中，开发者可能会无意中奖励模型绕过障碍的行为，而不是奖励完美遵循指令的行为。

不过，这仍然无法解释为什么 o3（也是驱动 codex-mini 的模型）比测试的其他模型更倾向于忽视指令。由于 OpenAI 没有详细说明他们的训练过程，因此只能猜测 o3 的训练设置可能有所不同。

Palisade Research 表示正在进行更多实验，以更好地理解 AI 模型为何即使在直接被指示不要的情况下仍会破坏关闭机制，计划在几周内发布一份包含更多详细信息的报告。